کاربرد شبکه عصبی مصنوعی در پیش‌بینی هدایت الکتریکی شیر بازساخته

در این تحقیق هدایت الکتریکی شیر بازساخته با استفاده از روش شبکه عصبی مصنوعی مل سازی و پیش بینی گردید. پروتئین (1، 2، 3و 4%)، لاکتوز (4، 6، 8 و 10%)، چربی (3 و 6%) و دما (50، 55، 60 و 65 درجه سلسیوس) به عنوان پارامترهای مستقل ورودی و هدایت الکتریکی شیر بازساخته به عنوان متغیر وابسته خروجی تعریف شدند. داده های به دست آمده از دستگاه سنجش هدایت الکتریکی به منظور آموزش و آزمون شبکه استفاده گردید. به منظور توسعه مدلهای شبکه عصبی مصنوعی ابتدا داد ها به سه بخش آموزشی (70%)، اعتبارسنجی (15%) و آزمون (15%) مدل ها تقسیم شدند. شبکه ها با ساختار پرسپترون چند لایه به صورت دو، سه و چهار لایه آموزش داده شدند. تعداد لایه های مخفی و تعداد نرون ها در هر لایه به روش سعی و خطا به دست آمد. بهترین الگوریتم آموزشی، لونبرگ مارکوارت با کمترین میزان میانگین مربعات خطا بود. معیار انتخاب بهترین شبکه، بیشترین ضریب تبیین (r2) و کمترین مقدار متوسط مربع خطا (mse) بود. در پیش بینی هدایت الکتریکی شیر بازساخته شبکه با ساختار 144 بهترین نتیجه را داد. این شبکه در لایه پنهان 4 نرون دارد. مقادیر ضریب تبیین و خطای آن به ترتیب 0.992 و 0.011 بود. از این نتایج در کارخانجات فراوری شیر می توان بهره گرفت. همبستگی میان مقادیر آزمایشی و پیش بینی شده در ساختارهای مطلوب بیشتر از 99% به دست آمد.

Application of Artificial Neural Network in Predicting the Electrical Conductivity of Recombined Milk

In this study, the moisture content of kiwifruit in vacuum dryer was predicted using artificial neural networks (ANN) method. The protein (1, 2, 3 and 4%), lactose (4, 6, 8 and 10%), fat (3 and 6%) and temperature (50, 55, 60 and 65ºC) were considered as the independent input parameters and electrical conductivity of recombined milk as the dependent parameter. Experimental data obtained from electrical conductivity meter, were used for training and testing the network. In order to develop neural network firstly experimental data were randomly divided into three sets of training (70%), validating (15%) and testing model (15%). In order to develop ANN models, we used multilayer perceptron with back propagation with momentum algorithm. MLP models trained as two, three and four layers. The total number of hidden layers and the number of neurons in each hidden layer were chosen by trial and error. The best training algorithm was LM with the least MSE value. The highest coefficient of determination (R2) and lowest mean squared error (MSE) were considered as the criterion for selecting the best network. The network having three layers with a topology of 441 had the best results in predicting the electrical conductivity of recombined milk. This network has two hidden layers with 8 neurons in the first hidden layer and 5 neurons in the second hidden layer. For this network, R2 and MSE were 0.992 and 0.011, respectively. These results can be used in milk processing factories. The correlation between the predicted and experimental values in the optimal topologies was higher than 99%.